8月5日消息，字节跳动 Seed 团队正式推出了一款原生音视频全双工大模型——SeedRealtime。这一产品的发布，标志着全模态自然交互技术迈上了一个全新台阶。简单来说，SeedRealtime 的核心思路是采用统一的底层架构，将音频、视频和文本从根源上深度融合，而非简单地将多个模型拼接在一起。这使得它能够在连续的多模态信息流中实现实时交互，带来“边看、边听、边说”的全新体验。 那么，具体而言，SeedRealtime 带来了哪些不一样的体验呢？我们可以提炼出三项核心突破。 首先是音视频联合理解能力。SeedRealtime 原生支持声音、画面与时序信息的深度融合。举个例子，当你说“把那个红色的东西递给我”，模型不仅能识别“红色”这个描述，还能结合画面中实际出现的物体，精准消除可能存在的歧义——比如在中文语境中，“红色”既可能指颜色，也可能指代某种特定物品。同时，它还能准确理解视觉信息中的时序指代，例如“刚才飞过去的那只鸟”，模型会结合过去几秒的画面进行理解，使听到的、看到的和说出的信息真正融为一体。 其次是主动的交互能力。这不再是简单的你问我答模式。SeedRealtime 具备持续的环境感知能力，能在察觉到画面状态发生变化时主动开口。例如，关键目标突然出现在画面中，它会主动提醒你。甚至还能调用外部工具，让表达更具层次感。一句话总结，交互方式从“被动响应”升级为“主动协作”。 最后是流畅的交互节奏。这一点至关重要，直接决定了对话体验的自然度。SeedRealtime 能够实时感知你的对话状态和交流节奏，在恰当的时机自然地接话、停顿或回应。更重要的是，它具有很强的抗干扰能力——能准确区分你是跟它说话，还是旁边有人在闲聊，或者只是背景噪声。这样一来，就不会因误触发而打断正在进行的对话，整个沟通的流畅度和连贯性都得到了显著提升。 从端到端的人工评测数据来看，相比传统的级联模型（即把多个模型串接起来），SeedRealtime 在音视频对话中的节奏问题减少了整整一半。具体来说，那种“话还没说完就被抢断”、“话音落下却迟迟没有回应”、“被背景杂音或旁人闲聊误触发”的卡顿现象明显减少。同时，单次对话能够完整、顺畅地进行下去的概率也显著提高。 目前，SeedRealtime 已在豆包 App 上全量上线，可以说是业界率先实现了音视频全双工技术的规模化落地。如果你感兴趣，将豆包 App 更新到最新版本，然后在对话框中选择“打电话”，进入视频通话界面，就能直接体验了。